本数据集包含六类舌苔样本：红色舌苔厚腻、白色舌苔厚腻、黑色舌苔、白霉舌苔、紫色舌苔和红色舌苔黄腻厚，旨在构建高精度的分类模型，实现对不同舌苔状态的自动识别，为临床提供辅助诊断依据，推动智能医疗技术在中医诊断和疾病早期检测中的应用。。
数据集概览
数据图像：
图1 舌苔舌象图像
数据类型：
表1 数据类型与格式
数据规模：
（1）数据集划分直方图
图2 数据集划分直方图
表2 数据集划分和规模
（2）数据集划分饼图
图3 数据集划分饼图
数据集类别
表3 类别定义
数据集来源
表4 数据集来源与说明
数据集用途
本数据集用于舌苔图像的分类模型训练与验证，包含六类舌苔样本：红色舌苔厚腻、白色舌苔厚腻、黑色舌苔、白霉舌苔、紫色舌苔 和 红色舌苔黄腻厚。可应用于以下研究与开发方向：
（1）模型训练：支持卷积神经网络（CNN）、视觉Transformer（ViT）等深度学习模型的舌象特征学习。
（2）性能评估：用于测试模型的分类准确率、召回率、F1值等指标。
（3）特征分析：可用于研究不同舌苔类型在颜色、纹理、形态等方面的图像特征差异。
（4）系统开发：为中医智能舌诊系统、健康监测与疾病早筛平台提供数据支撑。
数据集须知
（1）数据来源：基于公开或采集的舌苔图像数据，仅限科研与教学用途。
（2）数据结构：包含训练集与测试集，分为六类样本。
（3）文件格式：文件为 .jpg 图像格式，文件命名与类别对应。
（4）使用要求：需遵守个人隐私与数据保护相关规定，引用时须注明数据来源。
（5）适用范围：适用于舌象图像识别、分类、病理特征分析及中医舌诊辅助诊断研究。
数据集性能
训练与验证准确率和损失曲线：
图4 VGG16和ResNet50训练与验证准确率和损失曲线线
该图展示了VGG16在训练中易出现过拟合，验证表现波动较大；而ResNet50在训练和验证阶段均表现稳定，具有更强的泛化能力和更平滑的收敛特性。
混淆矩阵热力图：
图5 VGG16与ResNet50精度与损失总结表
从这两张训练和验证的准确率与损失曲线图来看，VGG16 的准确率在前几个 epoch 迅速上升后趋于平稳，但验证准确率有所波动，且训练损失较为陡峭下降；而 ResNet50 则表现得更加稳定，验证准确率持续上升，并且训练损失下降平稳，展现了更强的泛化能力。
联系我们
官方声明
（1）实验环境真实性与合规性声明：
本研究所使用的硬件与软件环境均为真实可复现的配置，未采用虚构实验平台或虚拟模拟环境。实验平台为作者自主购买的惠普（HP）暗影精灵 10 台式整机，具体硬件参数详见表。软件环境涵盖操作系统、开发工具、深度学习框架等，具体配置详见表，所有软件组件均来源于官方渠道或开源社区，并按照其许可协议合法安装与使用。
研究过程中严格遵循学术诚信和实验可复现性要求，确保所有实验数据、训练过程与结果均可在相同环境下被重复验证，符合科研规范与工程实践标准。
（2）版权声明：
本算法改进中涉及的文字、图片、表格、程序代码及实验数据，除特别注明外，均由2zcode.Bob独立完成。未经2zcode官方书面许可，任何单位或个人不得擅自复制、传播、修改、转发或用于商业用途。如需引用本研究内容，请遵循学术规范，注明出处，并不得歪曲或误用相关结论。
本研究所使用的第三方开源工具、框架及数据资源均已在文中明确标注，并严格遵守其相应的开源许可协议。使用过程中无违反知识产权相关法规，且全部用于非商业性学术研究用途。